审稿人最爱的技术融合！YOLO+SAM双剑合璧！速度与精度All in

众所周知，一些领域对速度与精度的要求都很高，比如自动驾驶、机器人交互、医疗影像...为了满足这些需求，推动场景的落地应用，针对YOLO+SAM的研究逐渐火热，成为了当前CV领域的热门研究方向。

原理在于，YOLO以实时性为核心优势，但分割精度不足；SAM通用分割能力强，但推理速度慢。这两者结合，既能提供快速目标检测框，又可以基于检测结果精细化分割，完美实现实时检测+高精度分割！为动态场景下的高效精细感知提供了新思路。

当前主流方法在效率、任务对齐、领域适应上还存在问题，推荐论文er围绕模型架构设计、任务协同机制、落地场景优化展开，多注意视频理解、3D分割等延伸方向。我这边整理了10篇YOLO+SAM相关新论文，idea和代码都值得参考，需要的可无偿获取。

全部论文+开源代码需要的同学看文末

SAM-YOLO: An Improved Small Object Detection Model for Vehicle Detection

方法：论文提出了一种改进的车辆检测算法SAM-YOLO，它在YOLOv7的基础上引入了简单注意力机制（SimAM），并优化了网络结构和损失函数。通过这些改进，SAM-YOLO在小目标检测和复杂光照条件下的性能得到了显著提升，同时保持了较高的计算效率。

创新点：

• 结合通道级和空间级信息，SimAM通过建模多维依赖关系、结构信息和全局特性，提升小目标检测的精度。

• 通过将冗余部分替换为C3模块，简化YOLOv7的主干网络，同时引入SIoU损失函数以优化目标框的匹配准确性。

• 通过改进数据增强技术以及优化网络结构，SAM-YOLO在极端光照条件下表现出更高的鲁棒性。

Quantifying Bubble-Induced Diffusion Resistance Through Real-Time Sam-Assisted Yolo High Density Bubble Detection Algorithm

方法：论文提出了一种结合YOLO和SAM的气泡检测方法。通过SAM辅助YOLO，显著降低了训练成本，同时提高了对高密度和重叠气泡的检测精度。不仅提升了气泡计数的效率，还通过与电化学阻抗谱（EIS）结合，建立了气泡分布与扩散阻力之间的关系，为优化气泡管理和提高电解效率提供了新的视角。

创新点：

• 将Segment Anything Model (SAM) 与 YOLO 算法相结合，用于检测高密度、重叠的气泡场景。

• 首次将气泡层厚度与扩散阻力通过气泡尺寸 (D32) 建立起直接联系。

• 通过数据分割框架确保 YOLO 模型的训练数据不包含重复或相似的对象实例，从而减少了数据冗余，避免了过拟合。

Automatic Lung Segmentation in Chest X-Ray Images Using SAM With Prompts From YOLO

方法：论文提出了一种全自动框架，用于胸部X光图像中的肺部分割。结合了YOLO模型的高效目标检测能力和SAM模型的零样本分割能力。YOLO模型首先检测肺部区域并生成边界框作为提示，然后SAM模型利用这些提示进行详细的肺部轮廓分割，从而提高了分割的准确性和泛化能力。

创新点：

• 首次将YOLO模型与SAM相结合，用于胸部X射线图像中的肺部分割任务。

• 提出使用几何提示（如边界框）指导SAM进行分割，并设计了结合Soft Jaccard Focal和Tversky损失函数的混合优化方法，平衡精确性与召回率，改善像素级分割性能。

• 采用多种公共数据集和多种验证策略对模型性能进行评估，并创建了公平比较的新基准。

Yolo-MLSAM: SAM Based Breast Cancer Microcalcification Cluster-Segmentation Method

方法：论文提出了一种名为 Yolo-MLSAM 的乳腺癌微钙化簇分割方法，结合了 Yolov8 和 MLSAM 模型。Yolov8 用于精确定位病变区域并提取最亮点作为提示，MLSAM 则利用多级特征融合进行详细语义分割，最终实现半自动标注功能，降低人工成本。

创新点：

• 提出了一种结合Yolov8的区域候选网络和MLSAM模型的图像分割方法，能够精确定位和分割乳腺癌微钙化簇。

• 利用预训练模型完成初步标注，并通过医学专家审阅纠正错误或关注未准确分割的病变区域，增强了标注的准确性和完整性。

• 引入额外的中间特征层以加强局部细节的捕捉能力，并通过实验验证了模型尺度的扩展可显著提升细粒度任务的性能。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“目标分割”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏